论文部分内容阅读
在胸主动脉疾病手术中,医生只能看到不显示血管结构的X线图像,因此我们需要将可显示主动脉血管的术前CT和术中X线图像结合使用。为此本文提出一种基于分支编解码结构的深度神经网络配准算法来为手术提供导航。本文的主要工作及创新之处如下:(1)本文利用真实的胸主动脉术前CT切片组和数字重建影像(Digitally Reconstructured Radiograph,DRR)方法,创建了基于投变换的叠加DRR图像数据库。该数据库被用做深度神经网络的训练集和测试集,以实现主动脉DRR图像的位姿估计。本数据库利用基于射线追踪的DRR方法创建,模拟X射线对CT切片组投影,经空间几何变换后包含五万余张图像。(2)提出一种基于编解码分支结构的深度神经网络Inception-branch,来对胸主动脉的DRR图像的位姿进行估计。该网络的编码器部分由Inception结构构成,此结构具有良好的深度和宽度,处理复杂问题的能力很强,可以在复杂的图像内部结构之中很好的提取到可用的特征,进而完成回归训练。本网络的解码器部分为分支结构。由于图像变换中的位移变换和角度变换在图像中的表象不同,将位移变换和角度变换分开进行解码计算,减少它们之间的相互干扰。最后为位移和角度的计算定义不同的损失函数,以提升参数回归的精度。利用创建的叠加DRR图像数据库训练,并进行了包括不同回归器、解码器、编码器、裁剪方式和多种分支结构下的实验及分析,最终找到一组最优的神经网络结构。在位移误差和角度误差方面,加入分支解码结构的网络均比无分支解码的网络提升超过3 0%。(3)利用本文提出的深度神经网络Inception-branch进行胸主动脉术前CT与真实的术中X射线图像的配准,在视觉观感和客观指标评价方面,都达到较高的精度。证明了本文所提算法的有效性和优越性。本文对在真实的病例手术中采集的数据上进行实验,所提出的图像配准算法无论是在准确率上还是在耗时上都要大大优于传统3D/2D配准算法,耗时从多于3分钟减少至2秒钟左右。同时,从精度上看,具有分支解码结构的深度神经网络要优于不含分支解码结构的深度神经网络,将误差减小30%,证明了所提算法的优越性。从配准结果上来看,可以将DRR图像中的主动脉血管结构清晰完整的叠加在术中X射线图像里,使均方根误差上降低了2.1%。